Índice

UNIDAD V: ANÁLISIS DE RESULTADO .................................................................................... 2

5.1 Análisis por tablas de respuestas, análisis de varianza por arreglos
ortogonales. ................................................................................................................................. 2
5.1.1 Análisis de tablas de frecuencia. ............................................................................. 2
5.1.1.1 Tablas de frecuencia de 2 caminos (two -ways). .............................................. 2
5.1.1.2 Tablas de frecuencia múltiple................................................................................ 4
5.1.2 Arreglos ortogonales .................................................................................................. 4
5.1.2.1 Definición del arreglo ortogonal. .......................................................................... 5
5.1.2.2 Resumen. .................................................................................................................... 5
5.1.2.3 Arreglos ortogonales y su ventaja. ...................................................................... 6
5.1.2.4 Desventajas. ............................................................................................................... 6
5.2 Análisis de atributos clasificados. .................................................................................. 7
5.2.1 Grado de Libertad. ..................................................................................................... 10
5.2.2 Varianza en la Tabla ANOVA. .................................................................................. 11
5.3 Experimentos con factores de ruido. ........................................................................... 13
5.3.1 Ejecutar un experimento piloto. ............................................................................. 14
5.3.2 Especificar el modelo. ............................................................................................... 15
5.3.1.1. Factor de efectos fijos. ......................................................................................... 15
5.3.1.1. Factor de efectos aleatorios. .............................................................................. 15
5.4 Análisis de experimentos con factores de ruido. ..................................................... 16
5.4.1 método del diseño robusto del Dr. Taguchi....................................................... 16
5.4.1.1 Pasos para hacer un ciclo de diseño robusto................................................. 16
Bibliografía ..................................................................................................................................... 20

1
UNIDAD V: ANÁLISIS DE RESULTADO
5.1 Análisis por tablas de respuestas, análisis de varianza por arreglos
ortogonales.
5.1.1 Análisis de tablas de frecuencia.
Uno de los métodos para analizar datos es la tabulación cruzada. Por ejemplo, un
investigador médico puede tabular las frecuencias de los diferentes síntomas por
edades y sexo; un investigador de [Curso de la ing. De la calidad. 2016]1 educativo
puede tabular el número de estudiantes que abandonan sus estudios por edad, sexo
y grupo étnico; un economista puede tabular el número de negocios que fallan por
industria, región, etc.; un investigador de mercado puede tabular las preferencias de
los consumidores por producto, edad y sexo. En todos estos casos, los resultados
principales de interés pueden ser sumarizados en una tabla de frecuencia múltiple;
o sea, en una tabla cruzada de dos o más factores.

5.1.1.1 Tablas de frecuencia de 2 caminos (two -ways).

Vamos a empezar con la más simple tabulación cruzada, la tabla de 2 X 2.
Supongamos que estamos interesados en la relación que hay entre la edad y los
conos en la gente. Tomamos una muestra de 100 personas y determinamos quién
tiene y quién no tiene canas. También tomamos la edad aproximada de los sujetos.
Este es el resultado del estudio.

Cabello Con Antes de Después de

Canas los 40 los 40 Total

No 40 5 45

Si 20 35 55

Total 60 40 100

TABLA 5.1.1.1 Resultado del muestreo de 100 personas. Curso ingeniería de la

calidad, 2016.

2
Mientras interpretamos los resultados de este pequeño estudio, vamos a
introducirnos en la terminología que nos permitirá generalizar en tablas más
complejas fácilmente. Diseño de variables y variables de respuesta. En la regresión
múltiple o en el análisis de varianza hay una distinción común entre las variables
dependientes e independientes. Las variables dependientes son aquellas que
tratamos de explicar, y podemos clasificar los f actores en una tabla de 2 X 2; por
ejemplo, el color del pelo es una variable dependiente. Las variables de respuesta
son aquellas que varían en la respuesta a las variables designadas; por ejemplo, el
color del pelo puede ser considerado una variable de respuesta y la edad es
considerada una variable de diseño. Ajuste marginal de frecuencias. Nos podemos
preguntar cuál de las frecuencias parece no tener relación con las variables
(hipótesis nula). Para no ir en detalles, intuitivamente podemos esperar que las
frecuencias en cada celda podrían proporcionalmente reflejar las frecuencias
marginales (Totales); por ejemplo, considere la siguiente tabla:

Cabello Con Antes de los Después de los

Canas 40 40 Total

No 27 18 45

Si 33 22 55

Total 60 40 100

TABLA 5.1.1.2 Frecuencia del muestreo de 100 personas. Curso ingeniería de la

calidad, 2016.

En esta tabla, las proporciones de las frecuencias marginales están reflejadas en

cada celda individual 27/33 =18/22 = 45/55 y 27/18 = 33/22 = 60/40. Dadas las
frecuencias marginales, éstas son las celdas de frecuencia que podríamos esperar
si no existiera relación entre la edad y el cabello canoso. Si comparamos esta tabla
con Ia anterior, podremos ver que la tabla anterior refleja una relación entre dos
variables. Hay más casos esperados de que la persona tengo canas antes de los
cuarenta, y hay más casos de personas de más de cuarenta años que tienen canas.

3
5.1.1.2 Tablas de frecuencia múltiple.
El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas
más complejas. Supongamos que tenemos una tercera variable en nuestro estudio;
por ejemplo, queremos ver si el estrés tiene que ver con las canas en las personas.
Como estamos interesados en esta nueva variable, la vamos a considerar como
variable de diseño. (Con esto, la variable de ¡estrés se convierte en una variable de
respuesta y la variable del color del cabello sería una variable de diseño). La tabla
resultante sería una tabla de frecuencia de 3 caminos.

Modelos de ajuste. Podemos aplicar el razonamiento anterior para analizar esta

tabla. Específicamente podemos ajustar diferentes modelos que reflejen diferentes
hipótesis acerca de los datos. Como antes, las frecuencias esperadas en este caso
reflejan sus respectivas frecuencias marginales. Si alguna desviación significante
ocurriera, se reflejaría en este modelo.

Efectos de interdicción. Otro modelo concebible puede ser que la edad está
relacionada con el color del cabello, y que el estrés es relacionado con el color del
cabello también; pero, estos dos factores no interactúan en su efecto. En este caso,
podríamos necesitar simultáneamente de dos tablas, una es la tabla de 2 X 2 de la
edad por color del cabello cruzada con los niveles de estrés, y otra tabla del estrés
por color del cabello cruzada con los niveles de la edad. Si este modelo no se ajusta
los datos, tenemos que incluir que la edad, el estrés y el color del cabello están
interrelacionados. De otra forma, podremos concluir que la edad y el estrés
interactúan con sus efectos en el cabello canos.

5.1.2 Arreglos ortogonales

Esta experimentación busca encontrar cuál es el mejor material, la mejor presión, la
mejor temperatura, la mejor formulación química, o el tiempo de ciclo más apto, etc.
Todo con el propósito de lograr la longitud, la amplitud, o la durabilidad que se
desea, tomando el costo que implica.

4
5.1.2.1 Definición del arreglo ortogonal.
El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos
elimina gran parte de los esfuerzos de diseño estadístico. Es una forma de examinar
simultáneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso
de arreglos ortogonales para hacer matrices que contengan los controles y los
factores de ruido en el diseño de experimentos. Ha simplificado el uso de este tipo
de diseño al incorporar los arreglos ortogonales y las gráficas lineales, finalmente,
en contraste con los enfoques tradicionales como equivalentes de ruido: mientras
las interacciones sean relativamente suaves, el analista de los efectos principales
nos proporcionará las condiciones óptimas y una buena reproductibilidad en un
experimento.

Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qué
tan robustos son los diseños del proceso y del producto con respecto a los factores
de ruido.

5.1.2.2 Resumen.
El método del Dr. Taguchi para el diseño de experimentos utiliza técnicas que
implican bajos costos y que son aplicables a los problemas y requerimientos de la
industria moderna. El propósito que se tiene en el diseño del producto es encontrar
aquella combinación de factores que nos proporcione el desempeño más estable y
confiable al precio de manufactura más bajo.

DR. GENICHI TAGUCHI, el sistema de ingeniería de calidad del Dr.Genichi

Taguchi, es uno de los más grandes logros en ingeniería del siglo XX. El trabajo de
la filosofía del Dr. Taguchi comenzó a formarse en los inicios de la década de los
50's cuando fue reclutado para ayudar a mejorar el sistema telefónico japonés que
había sido diseñado para la Segunda Guerra Mundial. Taguchi empleó
experimentos de diseño usando especialmente una tabla conocida como "arreglos
ortogonales" para tratar los procesos de diseño. Los arreglos ortogonales son un
conjunto especial de cuadros en latín, construidos por Taguchi para planear los
experimentos del diseño del producto.

5
El análisis del arreglo ortogonal de Taguchi es usado para producir los mejores
parámetros para el diseño óptimo del proceso, con el mínimo número de
experimentos (pruebas). Los resultados obtenidos para los arreglos ortogonales son
analizados para obtener los siguientes objetivos:

 Estimar la contribución de los factores individuales que influyen en la calidad

en la etapa del diseño del producto.
 Ganar la mejor condición para un proceso o un producto, así que las
características en una buena calidad puedan ser sostenidas

5.1.2.3 Arreglos ortogonales y su ventaja.

La ventaja de los arreglos ortogonales es que pueden ser aplicados al diseño
experimental involucrando un gran número de factores.

5.1.2.4 Desventajas.
La desventaja del arreglo ortogonal es que puede ser únicamente aplicado en la
etapa inicial del diseño del sistema del producto o proceso. Un arreglo ortogonal
permite asegurar que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2".
Así se podrá estar seguro de que se está haciendo comparaciones entre efectos de
niveles de un factor

6
5.2 Análisis de atributos clasificados.
El primer paso es formar categorías acumulados a partir de las categorías iniciales
de modo que la categoría acumulada uno sea igual a la categoría inicial uno, la
categoría acumulada dos sea igual a las categorías iniciales uno más dos.

(I) = (1)

(II)= (1) + (2)

(III)=(1) + (2) + (3).

Para ilustrar los pasos se utilizará un estudio que se realizó en [Curso de la ing. De
la calidad. 2016]2 para conocer los parámetros óptimos de una máquina
moldeadora al estar utilizando compuesto de un nuevo proveedor. El aspecto visual
se dividió en las categorías iniciales:

1=Incompleto

2=Partido/Crudo

3=Deforme

4=Bien

De modo que las categorías acumuladas son:

(I)=1 (II)=(1) + (2)

(III)=(1) +(2) + (3)

(IV)=(1) +(2) + (3) + (4)

El experimento consistió en cuatro factores a tres niveles cada uno y con diez
repeticiones, siendo los factores:

A = Temperatura

B = Tiempo de Ciclo

7
C = Tiempo de Inyección

D = Presión

Se utilizó un arreglo ortogonal L9, en donde se obtuvieron los resultados que se

muestran en la siguiente tabla, misma en la que se pueden observar los cálculos
para obtener los valores de las categorías acumuladas en la combinación número
seis: (I)= (=)

(II)= (0) + (3)

(III)=(0) + (3) + (1)

(IV) = (0) +(3) + (1) + (6)

Acumulados

(1) (2) (3) (4) I II III IV

1 5 5 0 0 5 10 10 10

2 0 9 0 1 0 9 9 10

3 0 6 0 4 0 6 6 10

4 0 1 0 9 0 1 1 10

5 0 0 5 5 0 0 5 10

6 0 3 1 6 0 3 4 10

7 0 0 0 10 0 0 10 10

8 10 0 0 0 10 10 10 10

9 10 0 0 0 10 10 10 10

Total 25 24 16 25 25 49 65 100
TABLA 5.2. Resultados del Experimento en una Máquina Moldeadora. Curso
ingeniería de la calidad, 2016

8
También se puede ver que en la frecuencia acumulada de la Clase IV durante todo
el experimento es la misma, por lo que no se podrá extraer ninguna información de
esta columna. Es por lo que se realizará en el análisis acumulativo calcular la suma
de cuadrados de la clase I, Clase II y Clase III. De cualquier forma, esas sumas de
cuadrados no pueden sumarse sencillamente, puesto que las bases de las tres
clases son diferentes.

En la distribución binomial la fracción de defectuosos es p, y su varianza

correspondiente es p (1 - p), esto indica que cuando la media de la fracción
defectuosa cambia, la varianza cambia también. Debido a esta dependencia de la
varianza sobre la fracción defectuosa, la suma de los cuadrados de la Clase I, Clase
II y Clase III tiene diferentes bases. Con el objetivo de normalizar esas bases, la
suma de cuadrados de cada clase se divide entre su varianza; solamente así se
pueden sumar las clases.

El segundo paso es conocer la proporción que tiene cada categoría acumulada:

PI= 25 PII= 49 PIII= 65 PIV= 90

90 90 90 90

A cada categoría se le asigna un peso según la fórmula:

Wj = 1/(Pjx(1-PJ)),

Así que para el ejemplo que se tiene:

WI = 1/25/90x (1-25/90)) = 4.985

WII = 1/49/90x(1-49/90)) = 4.032

WIII = 1/(65/90x(1-65/90)) = 4.985

9
Para cada categoría se calcula el factor de corrección como Suma de Cuadrados
de Factores.

Se obtienen mediante la suma de cuadrados de cada clase multiplicada por su peso,

según fórmula.

Ssa = (Ssa clase I) x WI + (SSA clase II) x WII + (Ssa clase III) x WIII SS total =
(número total de datos) x (número de categorías menos uno)

De la misma manera se obtiene la suma de cuadrados para B, C y D. La suma de

cuadrados total es: SS total = 90 X (4 - i) = 270

5.2.1 Grado de Libertad.

Los grados de libertad son calculados en base a los grados de un factor para
variables multiplicados por el número de categorías acumulado menos uno. En este
ejemplo los cuatro factores son de tres niveles por lo que cada uno tiene: 2 x(4-1)
=6 grados de libertad.

Los grados de libertad totales, se calculan >multiplicando el número de datos

menos uno por el número de datos menos uno por el número de datos menos uno
por el número de categorías analizadas menos uno.

El error se puede obtener restándole a la suma total la suma de cuadrados de cada

factor: SS error = 270 - 104.24 - 9.94 - 42.96 - 29.53 = 83.22

En este caso:

SS error = 270 - 104.34 - 9.94 - 42.96 - 29.53 = 83.22

Y los grados de libertad, restando los grados de libertad de cada factor de los grados
de libertad de la tabla de ANOVA.

g.I error = 267 - 6 - 6 - 6 - 6 = 243

10
5.2.2 Varianza en la Tabla ANOVA.
Se define la varianza o cuadrado medio como la suma de cuadrados divididos entre
los grados de libertad:

Cuadrado Medio de a = 104.34/6 = 17.39

Con el objeto de expresar esta variación como un porcentaje, todavía se requiere

restarle a cada suma de cuadrados una cantidad de error generada por los
diferencias entre cada resultado en cada nivel; para esto se utiliza la siguiente
fórmula: SS a' = SS a - (grados de libertad a) x V error, SS e' = SS e +(grados de
libertad de los factores) x V error.

En el ejemplo:

SS a' = 104.34 - (6) (0.34) = 102.30

SS e' = 83.22 + (24) (0.34) = 91.38

El porcentaje de contribución es la proporción de la suma de cuadrados corregidas

de un factor con respecto a la suma de cuadrados total:

Grados
Fuentes de Suma de Cuadrado S. de Cuad. Porcentaje
de
Variación Cuadrados Medio Corregida Contrib.
Libertad

A 6 104.34 17.39 102.30 37.89

B 6 9.94 1.66 7.90 2.92

C 6 42.96 7.16 40.92 15.15

D 6 29.53 4.92 27.49 10.18

Error 243 83.22 0.34 91.38 33.87

Total 267 270 270 100

TABLA 5.2.2 ANOVA del experimento en una máquina moldeadora. Curso
ingeniería de la calidad, 2016

11
Todos los procedimientos (prueba de t, de F y el establecimiento de los límites de
confianza), utilizan la suma de cuadrados residual, la que es llamada la suma de
cuadrados de error. Esta cantidad pudo ser encontrada calculando para cada
observación un valor, predicho por la solución de los mínimos cuadrados. Se puede
luego obtener la suma de cuadrados de las diferencias entre los valores observados
y los valores predichos. Este método es lento y la suma de cuadrados del error se
calcula mucho más rápido siguiendo la técnica conocida como análisis de varianza.

En el modelo original, cada observación se representa como la suma de cuatro

componentes debidas, respectivamente, a la media general, efecto del tratamiento,
al efecto ambiental y al efecto residual. De la misma forma, el análisis de la varianza
divide la suma de cuadrados de las observaciones encuentro componentes, una
atribuible a la media general, una de las diferencias entre la estimación de los
efectos de los tratamientos y una a los efectos ambientales, que el experimento es
capaz de medir y, por último, una que es la residual a la suma de cuadrados de los
errores. En la mayor parte de los casos, se calcula la suma de cuadrados original
y los tres primeros componentes, obteniendo la suma de los cuadrados del error,
por substracción. El análisis de varianza ofrece mucho más que un método corto
para obtener la suma de cuadrados del error. La suma de cuadrados debida a los
tratamientos, es la cantidad necesaria para la prueba F de la hipótesis de que no
existen diferencias entre los efectos de los tratamientos. Con una pequeña
extensión, el análisis también de la suma de cuadrados requerida para probar la
igualdad de los efectos de un subgrupo de los tratamientos. La componente debida
a los efectos ambientales permite estimar en cuanto aumenta la exactitud del
experimento, eliminando estos efectos de las estimaciones de las medias de los
tratamientos.

12
5.3 Experimentos con factores de ruido.
Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
interés y, si existe influencia de algún factor, cuantificar dicha influencia.

Ruido, según [Curso de la ing. De la calidad. 2016]3 Si el experimentador está

interesado en la variabilidad de la respuesta cuando se modifican las condiciones
experimentales, entonces los factores nuisance son incluidos deliberadamente en
el experimento y no se aísla su efecto por medio de bloques. Se habla entonces de
factores ruido.

Fuente Tipo

Debida a las condiciones de interés

Planificada y sistemática
(Factores tratamiento)

Debida al resto de condiciones controladas

Planificada y sistemática
(Factores “nuisance”)

Debida a condiciones no controladas. No planificada, pero

(error de medida, material experimental, ¿sistemática?
... )

TABLA 5.3 Las posibles fuentes de variación de un experimento. Curso ingeniería

de la calidad, 2016.
Elegir una regla de asignación de las unidades experimentales a las condiciones
de estudio (tratamientos).
La regla de asignación o diseño experimental especifica que unidades
experimentales se observarán bajo cada tratamiento. Hay diferentes posibilidades:
 Diseño factorial o no,
 Anidamiento,
 Asignación al azar en determinados niveles de observación,
 El orden de asignación, etc.

13
Especificar las medidas que se realizarán (la respuesta), el procedimiento
experimental y anticiparse a las posibles dificultades. Variable respuesta o variable
de interés. Los datos que se recogen en un experimento son medidas de una
variable denominada variable respuesta o variable de interés.

Es importante precisar de antemano cuál es la variable respuesta y en qué unidades

se mide. Naturalmente, la respuesta está condicionada por los objetivos del
experimento. Por ejemplo, si se desea detectar una diferencia de 0,05 gramos en la
respuesta de dos tratamientos no es apropiado tomar medidas con una precisión
próxima al gramo.

A menudo aparecen dificultades imprevistas en la toma de datos. Es conveniente

anticiparse a estos imprevistos pensando detenidamente en los problemas que se
pueden presentar o ejecutando un pequeño experimento piloto (etapa 5). Enumerar
estos problemas permite en ocasiones descubrir nuevas fuentes de variación o
simplificar el procedimiento experimental antes de comenzar.

También se debe especificar con claridad la forma en que se realizarán las

mediciones: instrumentos de medida, tiempo en el que se harán las mediciones, etc.

5.3.1 Ejecutar un experimento piloto.

Un experimento piloto es un experimento que utiliza un número pequeño de
observaciones. El objetivo de su ejecución es ayudar a completar y chequear la lista
de acciones a realizar. Las ventajas que proporciona la realización de un pequeño
experimento piloto son las siguientes

 Permite practicar la técnica experimental elegida e identificar problemas no

esperados en el proceso de recogida de datos,
 Si el experimento piloto tiene un tamaño suficientemente grande puede
ayudar a seleccionar un modelo adecuado al experimento principal,
 Los errores experimentales observados en el experimento piloto pueden
ayudar a calcular el número de observaciones que se precisan en el
experimento principal.

14
5.3.2 Especificar el modelo.
El modelo matemático especificado debe indicar la relación que se supone que
existe entre la variable respuesta y las principales fuentes de variación identificadas
en el paso 2. Es fundamental que el modelo elegido se ajuste a la realidad con la
mayor precisión posible.

El modelo más habitual es el modelo lineal:

Xk Y = αi + ε i=1

En este modelo la respuesta viene dada por una combinación lineal de términos que
representan las principales fuentes de variación planificada más un término residual
debido a las fuentes de variación no planificada. Los modelos que se estudian en
este texto se ajustan a esta forma general. El experimento piloto puede ayudar a
comprobar si el modelo se ajusta razonablemente bien a la realidad.

Los modelos de diseño de experimentos, según sean los factores incluidos en el

mismo, se pueden clasificar en: modelo de efectos fijos, modelo de efectos
aleatorios y modelos mixtos. A continuación, se precisan estas definiciones.

5.3.1.1. Factor de efectos fijos.

Factor de efectos fijos es un factor en el que los niveles han sido seleccionados por
el experimentador. Es apropiado cuando el interés se centra en comparar el efecto
sobre la respuesta de esos niveles específicos. Ejemplo: un empresario está
interesado en comparar el rendimiento de tres máquinas del mismo tipo que tiene
en su empresa.

5.3.1.1. Factor de efectos aleatorios.

Factor de efectos aleatorios es un factor del que sólo se incluyen en el experimento
una muestra aleatoria simple de todos los posibles niveles del mismo.
Evidentemente se utilizan estos factores cuando tienen un número muy grande de
niveles y no es razonable o posible trabajar con todos ellos. En este caso se está
interesado en examinar la variabilidad de la respuesta debida a la población entera
de niveles del factor.

15
5.4 Análisis de experimentos con factores de ruido.
Los factores de ruido son aquellos que no se pueden controlar o que resulta muy
caro controlarlos. Los factores de ruido según [Curso de la ing. De la calidad. 2016]4
causan variabilidad y pérdida de calidad. Por esto es necesario diseñar un sistema
el cual sea insensible a los factores de ruido. El diseñador debe identificar la mayor
cantidad posible de factores de ruido y usar su buen juicio en base a sus
conocimientos para decidir cuáles son los más importantes a considerar en su
análisis.

5.4.1 método del diseño robusto del Dr. Taguchi.

Es un eficiente sistema que ayuda a obtener una combinación óptima de diseño de
parámetros para que el producto sea funcional y ayude a obtener un alto nivel de
desempeño y que sea robusto a los factores de ruido.

5.4.1.1 Pasos para hacer un ciclo de diseño robusto.

• En los primeros 5 pasos se planea el experimento.

• En el paso número 6 se conduce el experimento.

• En los pasos 7 y 8 los resultados del experimento son analizados y verificados.

Ejemplo de la optimización de un diseño por costo de un sistema intercambiador de

calor.

1. Identificar la función principal. La función principal del sistema enfriador de aire

comprimido se muestra en la fig.

GRAFICO 5.4.1.1 Función principal del sistema enfriador. Curso ingeniería de la

calidad, 2016

16
La función principal del sistema es enfriar la temperatura del aire de 95 c a 10 c
entre dos etapas de compresión. Primero entra al sistema el aire por el pre enfriador
y luego pasa a la unidad de refrigeración. El agua pasa a través del condensador
de la unidad de refrigeración y luego al pre enfriador y finalmente entra al radiador
donde se expulsa el radiador a través de él.

El flujo del aire está dado por 1.2 kg/s y el flujo del agua está dado por 2.3 kg/s. Se
busca diseñar el sistema para un costo mínimo total, donde el costo es la suma de
todos los costos en dólares de la unidad de refrigeración, el pre enfriador y el
radiador. Las ecuaciones paramétricas de costo (xi) para la unidad de refrigeración,
el pre enfriador y el radiador en términos de temperaturas de salida (ti) están dadas
como sigue:

X1 = 1.2 a (T3 - 10)

X1 = costo ($) de la unidad de refrigeración.

a = parámetro de costo para el refrigerante.

T3= temperatura de salida del aire del pre enfriador.

X2=1.2 B (95 - T3) /(T3-T1) para (T3 >T1) X2 = costo ($) del pre enfriador.

B = parámetro de costo del pre enfriador.

T3 = temperatura de salida del aire del pre enfriador.

T1 = temperatura de salida del agua de la unidad de refrigeración.

95 = temperatura del aire en la entrada al sistema.

X3=9.637 c (T2 - 24)

X3 = costo ($) del radiador.

C = parámetro de costo del radiador.

T2 = temperatura del agua en la entrada del radiador.

24 = temperatura del agua después de pasar por el radiador.

17
A = 48

B = 50

C = 25

Parámetros de costo determinados por el diseñador.

2. Identificar los factores de ruido. Existen varios factores de ruido en un proceso de

enfriamiento de aire. Para este caso los ingenieros han determinado los 3 factores
de ruido más importantes.

N1 = parámetro de costo de la unidad de refrigeración.

Se ha estimado un costo original de 48 y se considera un costo muy alto arriba de

56.

N2 = temperatura de salida del radiador.

Esta temperatura puede variar dependiendo de los factores ambientales. Se ha

estimado una temperatura de 24 c pero se considera muy alta a 27°C.

N3 = temperatura del aire a la entrada del sistema.

Esta temperatura varía dependiendo de las condiciones de operación, se ha

estimado inicialmente de 95 c pero se considera muy alta arriba de 100 c.

3. Identificar la característica de calidad que va a ser observaba y el >objetivo.

El costo va a ser tomado como la característica de calidad y la función objetivo será

optimizar el costo total del sistema. MIN CT= X1 + X2 + X3

El objetivo ahora es encontrar cuál diseño minimiza el costo total considerando la

incertidumbre de los factores de ruido citados.

4. Identificar los factores de control y los niveles alternativos.

Para el caso del ejemplo, tres niveles alternativos fueron identificados para ser
estudiados para el control del diseño de los parámetros, El nivel dos muestra los
valores iniciales de los factores de control. (Tabla a). Los niveles de los parámetros

18
de prueba (tabla a) se refieren a cuántos valores de prueba van a ser analizados
(uno de estos niveles debe tomar los valores de las condiciones iniciales de
operación).

T1= 28 C

T2= 39 C

T3= 38 C

Como siguiente paso los ingenieros de diseño y los analistas de costo desean un
estudio de niveles alternativos de los parámetros de control considerando ahora la
incertidumbre debido a los factores de ruido. En un diseño robusto, generalmente,
dos o tres niveles son considerados para cada factor. Se ha decidido estudiar los
tres factores de ruido con 2 niveles. Estos valores se muestran en la tabla 9. El nivel
uno representa los valores iniciales de los factores de ruido. Diseño de la matriz de
experimentos y definición de los datos para analizar. El objetivo ahora es determinar
los niveles óptimos de los factores de control para que el sistema sea robusto a los
factores de ruido.

5. Construcción de arreglos ortogonales. Primero se determinan según la

metodología de Taguchi los grados de libertad para determinar el número mínimo
de experimentos requerido. El diseñador ha calculado el factor grados de libertad
igual a 7, esto nos indica que se necesita un número mínimo de 7 experimentos
para encontrar los valores óptimo

Con esto se determina que se puede utilizar un arreglo ortogonal estándar L9 para
los factores de control y usando la misma metodología se utiliza un arreglo ortogonal
estándar L4 para los factores de control.

1 2 3 4
N1 1 2 2
N2 2 1 2
N3 2 2 1
GRAFICO 5.4.1.2 Arreglo ortogonal estándar L9, Curso ingeniería de la calidad,
2016.

19
Bibliografía
[1]. [Unidad V. análisis de resultado (s.f) Curso de la ing. De la calidad. 2016 de
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[2]. [5.2 Análisis de atributos clasificados. Curso de la ing. De la calidad. 2016 de
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[3]. [Experimentos con factores de ruido, Curso de la ing. De la calidad, 2016
Recuperado el 20 de agosto del 2016 en
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[4]. [Experimentos de ruido, (s.f) recuperado el 18 de agosto del 2016 en
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].

20